连续因变量的预测--葡萄酒评分预测
在前面几篇文章中都是对分类变量的判别，即根据建立的分类器，预测未知样本所属的类别。本文将从连续因变量的角度，预测新样本可能的Y值。对于连续变量的预测模型，往往会想到回归，而回归也恰恰是应用比较广泛的模型之一，除此之外，还有分类回归树、模型树、支持向量机、神经网络等。接下来将对线性回归、分类回归树和模型树做一个对比，分析各模型对葡萄酒评分预测的准确度。
1.1、线性回归模型
关于线性回归模型的假设条件和应用可参考本公众号《R语言下的线性回归模型》和《基于R语言的线性回归模型的诊断》两篇文章，这里不再赘述。
1.2、优缺点
优点：
1）可适用于所有类型的数据
2）能够反映自变量与因变量之间关系的强度和大小
3）模型结果易于解释
缺点：
1）很难满足所有的假设假设前提，如因变量服从正态分布等
2）不能很好的处理缺失值
3）对离散变量需要哑变量处理
2.1、分类回归树
有关分类回归树模型的介绍可参考本公众号《基于R语言的数据挖掘之决策树（一）》一文，文中详细介绍了R中分类回归树算法实现的函数及语法，同时还例举了分类问题的判别例子。
与《基于R语言的数据挖掘之决策树（一）》不同的是，本文是对连续因变量的预测，其核心思想是使用叶节点样本的均值作为预测值。
2.2、优缺点
优点：
1）对数据的分布不作任何要求
2）对缺失数据不敏感
3）结果易于解释
缺点：
容易产生过拟合
3.1、模型树
模型树与分类回归树以大致相同的方式生长，所不同的是，模型树将对各个叶节点样本建立多元线性回归模型，再根据线性回归模型进行预测。R语言实现该算法的函数来自于RWeka包中的M5P()函数，其语法如下：
M5P(formula, data, subset, na.action,
control = Weka_control(), options = NULL)
formula模型的公式形式；
data要分析的数据集；
subset可以提取数据集中的样本作为分析对象；
na.action缺失值的处理办法，默认忽略缺失值；
control指定模型的其他限制条件。
3.2、优缺点
优点：
1）能够结合分类回归树和线性回归模型的优点
2）无需事先指定线性回归模型的形式
缺点：
1）需要大量的训练数据才能保证预测准确率
2）结果不易解释
4、应用
为了研究葡萄酒评分模型，这里使用《机器学习与R语言》书中提供的数据，数据共包括4898条记录和12个变量，接下来通过模型应用和比较，来分析这三个模型对该数据集的准确性。
#数据读取
wine <- read.csv(file = file.choose())
探索性数据分析
#数据结构
str(wine)
#相关系数
cor(wine)
很显然，变量一旦多起来时，矩阵式的相关系数读起来就显得非常吃力，可以考虑将相关系数可视化，有助于一目了然。
#相关系数图
library(corrplot)
corr <- cor(wine)
corrplot(corr = corr, order ='AOE')
通过图可知，酒精度与密度存在很强的负相关，而酒精度和糖分含量又存在高正相关，葡萄酒评分与酒精度存在明显正相关，与密度又存在负相关。
#葡萄酒评分分布
library(ggplot2)
histgram <- ggplot(data = wine, aes(x = quality))
histgram + geom_histogram( fill = 'blue', binwidth = 1)
葡萄酒评分基本符合正态分布，满足线性回归分析中对因变量服从正态分布的要求。
#抽取训练样本(70%)和测试样本(30%)
index = sample(c(1,2), nrow(wine), replace = TRUE, prob = c(0.7,0.3))
train <- wine[index == 1,]
test <- wine[index == 2,]
#构建线性回归模型
fit_lm1 <- lm(quality ~ ., data = train)
summary(fit_lm1)
发现模型中的几个变量并不显著，如fixed.acidity变量，chlorides变量等。
下面使用逐步回归的方法挑选出所有显著的变量：
fit_lm2 <- step(fit_lm1)
summary(fit_lm2)
经过逐步回归后，当前模型的自变量均已显著，且模型也通过了显著性检验。
#预测
pred_lm <- predict(object = fit_lm2, newdata = test)
summary(pred_lm)
summary(test$quality)
#预测精度
这里使用平均绝对误差和均方误差根来衡量模型的预测精度，这两个值越小，说明模型的预测精度越高。具体计算方法如下：
#自定义精确度量函数
accuracy <- function(actual,preditor){
mad <- mean(abs(actual-preditor))
sde <- sqrt(mean((actual-preditor)^2))
return(data.frame(mad = mad, sde = sde))
}
accuracy(test$quality,pred_lm)
模型在预测集上的平均绝对误差为0.591，均方误差根为0.761。
#构建分类回归树模型
library(rpart)
fit_rpart <- rpart(quality ~ ., data = train)
fit_rpart
从结果中看，分类回归树最终生成6个叶节点，例如当alcohol< 10.85且volatile.acidity>=0.3025时，产生658个观测进入该节点，其平均值为5.245。所以任何一个满足该条件的新样本，其得分都用5.245作为预测。
#分类回归树的可视化
library(rpart.plot)
rpart.plot(fit_rpart)
#预测
pred_rpart <- predict(object = fit_rpart, newdata = test)
summary(pred_rpart)
summary(test$quality)
发现预测值与实际值相差似乎更大了，最大值与最小值的预测范围更小了。
#预测精度
accuracy(test$quality,pred_rpart)
从预测精度看，分类回归树确实比线性回归模型要差一点点，平均绝对误差为0.603，均方误差根为0.771。
#构建模型树模型
library(RWeka)
fit_m5p <- M5P(quality ~ ., data = train)
fit_m5p
结果产生20个叶节点，并且返回每个叶节点中的多元线性回归模型。下图显示其中一个叶节点上的线性回归模型：
summary(fit_m5p)
上图反映了训练样本集建模后模型的准确率，平均绝对误差为0.54，均方误差根为0.68。下面看一看模型在测试集上的精确度：
pred_m5p <- predict(object = fit_m5p, newdata = test)
summary(pred_m5p)
summary(test$quality)
accuracy(test$quality,pred_m5p)
与前两个模型相比，该模型的平均绝对误差和均方误差根均有所降低，说明该模型相比与其他两个模型的预测更准确，这也恰恰说明了该模型很好的结合了这两个模型的优点。
脚本与数据可至如下链接下载：
链接：http://pan.baidu.com/s/1eR076bo 密码：qsu2
参考资料：
机器学习与R语言
总结：文中涉及的R包和函数
cor()
corrplot包
corrplot()
ggplot2包
geom_histogram()
lm()
summary()
step()
predict()
rpart包
rpart()
RWeka包
M5P()